CN103237197A - 用于鲁棒跟踪的自适应多特征融合的方法 - Google Patents
用于鲁棒跟踪的自适应多特征融合的方法 Download PDFInfo
- Publication number
- CN103237197A CN103237197A CN2013101235122A CN201310123512A CN103237197A CN 103237197 A CN103237197 A CN 103237197A CN 2013101235122 A CN2013101235122 A CN 2013101235122A CN 201310123512 A CN201310123512 A CN 201310123512A CN 103237197 A CN103237197 A CN 103237197A
- Authority
- CN
- China
- Prior art keywords
- feature
- subcharacter
- features
- lambda
- tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000007306 turnover Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 10
- 230000004927 fusion Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000220317 Rosa Species 0.000 description 1
- 206010053648 Vascular occlusion Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004186 co-expression Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种用于鲁棒跟踪的自适应多特征融合的方法,包括步骤:特征结构初始化;分别计算梯度直方图HOG特征、局部二值模式LBP特征、颜色直方图特征;利用增量式主成分分析IPCA算法计算特征的主分量,并得到特征的稳定性表征;更新子特征权重;根据粒子滤波的跟踪结果,计算子特征的更新率。本发明目标特征用梯度信息,纹理信息和颜色信息共同表达,复杂场景下提高了特征的描述能力。根据不同子特征在跟踪中不同的稳定性,实时更新其权重,提高融合后的特征的稳定性。本发明计算量小,可以满足实时性要求。
Description
技术领域
本发明涉及视频监控与模式识别领域,特别涉及一种用于鲁棒跟踪的自适应多特征融合的方法。
背景技术
智能视频监控(IVS:Intelligent Video Surveillance)是计算机视觉领域中近几年来新兴起的一个应用方向。它是利用计算机视觉技术对视频信号进行处理、分析和理解,并对视频监控系统进行控制,从而提高视频监控系统智能化水平。智能视频监控系统在民用和军事领域中都有极大的应用前景。目前虽然在银行、商店、车站、港口等一些重要的公共场合所普遍设了监控摄像机,但实际的监控任务仍需要较多的人工工作来完成。很多情况下,目前的视频监控系统所提供的信息是没有经过任何分析的视频裸数据,这就不能充分发挥视频监控系统应有的实时主动的监控作用。另一方面,为了防止和阻止犯罪,对无人值守的视频监控系统的需求量日益上升,这类系统的主要目标是减少对繁琐人工的依赖,自动完成对复杂环境中人和车辆等进行实时观测以及对感兴趣的对象行为进行分析和描述。要完成这些任务,需要涉及到智能视频监控中许多核心技术,如:背景分析、对象提取、对象描述、对象跟踪、对象识别和对象行为分析。
对象跟踪技术作为智能视频监控技术中的关键技术之一,成为研究热点。近些年来学者们把研究重点放在解决跟踪技术中的表观变化、遮挡、复杂背景和光照变化等问题上,不少方法已经提出。如自适应模型的方法(Z.Kalal,K.Mikolajczyk,and J.Matas,“Tracking-learning-detection,”PAMI,vol.34(7),July2012;H.Grabner,C.Leistner,and H.Bischof,“Semi-supervisedon-line boosting for robust tracking,”ECCV,2008),但是这些更新模型的方法都假设上一帧图像的检测以及跟踪是正确的,显然这样的更新方法难以保证跟踪的准确性;另外还有多特征结合的方法(J.Kwon and K.M.Lee,“Tracking by sampling track-ers,”ICCV,2011;G.Shu,A.Dehghan,O.Oreifej,E.Hand,and M.Shah,“Part-based multiple-person tracking with partialocclu-sion handling,”CVPR,2012)。多特征融合的方法虽然比单特征在跟踪中表现好,但多特征如何去融合,如何决定哪种特征在跟踪中起着重要作用成为了大问题。因此一种自适应多特征融合的方法急需提出。
发明内容
本发明的目的是发明一种用于鲁棒跟踪的自适应多特征融合的方法。
为了实现上述目的,一种用于鲁棒跟踪的自适应多特征融合的方法包括步骤:
特征结构初始化;
分别计算梯度直方图HOG特征、局部二值模式LBP特征、颜色直方图特征;
利用增量式主成分分析IPCA算法计算特征的主分量,并得到特征的稳定性表征;
更新子特征权重;
根据粒子滤波的跟踪结果,计算子特征的更新率。
本发明目标特征用梯度信息,纹理信息和颜色信息共同表达,复杂场景下提高了特征的描述能力。根据不同子特征在跟踪中不同的稳定性,实时更新其权重,提高融合后的特征的稳定性。本发明计算量小,可以满足实时性要求。
附图说明
图1是本发明技术方案流程图;
图2是特征不变性表征的计算流程图。
具体实施方式
本发明的思想要点是:1)多特征融合方法,提升特征的描述能力,增强算法对场景的变化的适应性。2)利用个子特征的稳定性,实时更新各个特征的权重,得到稳定的融合特征。3)根据目标跟踪结果,调整子特征权重的更新率。本发明的整个技术方案流程图如附图1所示。下面对发明中所涉及到的技术细节予以说明。
1.特征结构初始化
我们通过融合HOG特征、LBP特征和颜色直方图特征,来完成对目标特征的描述。目标特征用式(1)表示:
F={n|wifi,i=1,....,n} (1)
2.计算梯度直方图(HOG)特征、局部二值模式(LBP)特征、颜色直方图特征
HOG特征(N.Dalal,B.Triggs.“Histograms of OrientedGradients for Human Detection”,CVPR,Vol.1,2005),体现目标的边缘梯度特征,我们将目标区间重采样为24*40,每个块为32维向量,则区域HOG特征为256维向量;LBP特征(T.Ojala,M.Pietikainen,T.Maenaa.“Multiresolution gray-scale androtation invariant texture classification with local binarypatterns”,TPAMI,Vol.24,2002),体现目标的纹理特征,使用原始的二值模式直方图,为256维向量;颜色直方图特征体现目标的颜色特征,将原始RGB彩色图像,转换到HSV色彩空间,统计H通道的颜色直方图,也是256维向量。
3.利用增量式主成分分析(IPCA)算法计算特征的主分量,并得到特征的稳定性表征
每种子特征都有其特定的使用场景,因此我们利用特征挖掘的思想,使子特征权重随着场景的变化而改变。在子特征比重的更新过程中我们利用IPCA对之前的场景进行学习,并与当前帧比较,获得从而确定新一帧的子特征权值变化。每种子特征的特征不变性表征的计算流程图如图2,计算步骤如下:
步骤1:初始化特征向量矩阵。
对前t(t=20)帧图像中的每一帧图像,通过尺度变换、旋转变换获得更多的样本图像,这里我们使用5种尺度{0.25,0.5,1,2,4}、5种旋转角度{-10°,-5°,0°,5°,10°},从而获得Q=t*25幅图像,并计算每一幅图像的子特征,用式(2)表示。
xi为第i幅图像的某个子特征的D维特征向量。
通过计算矩阵X的协方差矩阵,把协方差矩阵的特征向量矩阵作为初始化的特征向量矩阵,用式(3)表示。
步骤2:利用IPCA计算特征向量,这样可以省去每次计算协方差矩阵的时间与空间的消耗。如式(4)
v(N)为特征向量,N为采样点索引,且vi(0)=ui,α为更新率,计算方法见式(11),xN为当前采样点图像(当前帧图像)某个子特征的D维特征向量。
步骤3:计算特征值(λ1,...,λD),λi=||vi(N)||和特征值相对应的特征向量(u1,...,uD),ui=vi(N),并通过式(5)筛选前d(d<D)个主要特征值如式(6),以及特征值相对应的特征向量如式(7)。
β为筛选前d个特征的阈值,且β=0.9。
步骤4:计算特征不变性表征。通过步骤3计算得到的特征向量V,利用式(8)将当前帧图像t+1的D维子特征向量投影到d维的子特征空间Γ中,并利用相关系数作为相似度测量,获得特征的稳定性表征St+1(Λ,Γ),如式(9)。
每个子特征都根据以上步骤1-4计算其稳定性S。跟踪目标初始化阶段利用前t(t=20)帧按照步骤1完成初始化协方差矩阵的计算,之后每一帧重复步骤2-4,计算每个子特征的稳定性表征。
4.更新子特征权重
子特征权重wi是实时更新的。我们把某个子特征随着时间变化比较小或者不随时间变化称为特征不变性,具有这样性质的特征,能够实时跟踪到目标,此时需要增加这样特征的权重。St+1(Λ,Γ)作为特征不变性表征,用其计算更新子特征权重,如式(10)。
5.根据粒子滤波的跟踪结果,计算子特征的更新率
利用本帧图像粒子滤波(M.Isard,A.Blake.“Condensationlconditional den-sity propagation for visual tracking”,IJCV,vol.29(1),1998)的跟踪结果,调整下帧图像的特征向量矩阵的更新学习率。更新的学习率α计算方法如式(11)。
α∝E(R(Fi,Ft))
E(R)表示为变量R的期望,Ft为当前帧t图像的特征向量,Fi为特征向量变量,i=1,...,t-1,为观测粒子,R(Fi,Ft)表示当前帧图像特征与第i帧图像特征(第i次观测粒子)的相关关系。
Claims (9)
1.一种用于鲁棒跟踪的自适应多特征融合的方法,包括步骤:
特征结构初始化;
分别计算梯度直方图HOG特征、局部二值模式LBP特征、颜色直方图特征;
利用增量式主成分分析IPCA算法计算特征的主分量,并得到特征的稳定性表征;
更新子特征权重;
根据粒子滤波的跟踪结果,计算子特征的更新率。
2.根据权利1所述的方法,其特征在于所述特征结构由以下公式决定:
F={n|wifi,i=1,...,n}
其中n指特征个数为3,wi为第i个特征的权重,初始化wi=1/n,fi为第i个子特征,且每个子特征的维数为D,D=256。
3.根据权利1所述的方法,其特征在于所述计算特征的稳定性表征包括步骤:
初始化特征向量矩阵;
利用IPCA计算特征向量;
计算特征值和特征值相对应的特征向量;
计算特征不变性表征,最后获得特征的稳定性表征。
4.根据权利3所述的方法,其特征在于利用IPCA计算特征向量,由以下公式决定:
其中,v(N)为特征向量,N为采样点索引,且vi(0)=ui,α为更新率,xN为当前采样点图像某个子特征的D维特征向量。
5.根据权利3所述的方法,其特征在于筛选计算特征值,由以下公式决定:
其中
其中,β为筛选前d个特征的阈值,且β=0.9。
6.根据权利5所述的方法,其特征在于筛选计算与特征值相对应的特征向量,由以下公式决定:
7.根据权利3所述的方法,其特征在于计算特征的稳定性表征,由以下公式决定:
其中,
9.根据权利1所述方法,其特征在于所述根据粒子滤波的跟踪结果计算子特征的更新率由以下公式决定:
α∝E(R(Fi,Ft))
其中,E(R)表示为变量R的期望,Ft为当前帧t图像的特征向量,Fi为特征向量变量,i=1,...,t-1,为观测粒子,R(Fi,Ft)表示当前帧图像特征与第i帧图像特征的相关关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123512.2A CN103237197B (zh) | 2013-04-10 | 2013-04-10 | 用于鲁棒跟踪的自适应多特征融合的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310123512.2A CN103237197B (zh) | 2013-04-10 | 2013-04-10 | 用于鲁棒跟踪的自适应多特征融合的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103237197A true CN103237197A (zh) | 2013-08-07 |
CN103237197B CN103237197B (zh) | 2016-04-13 |
Family
ID=48885210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310123512.2A Active CN103237197B (zh) | 2013-04-10 | 2013-04-10 | 用于鲁棒跟踪的自适应多特征融合的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103237197B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903238A (zh) * | 2014-03-21 | 2014-07-02 | 西安理工大学 | 图像特征的显著结构和相关结构融合方法 |
WO2016026370A1 (en) * | 2014-08-22 | 2016-02-25 | Zhejiang Shenghui Lighting Co., Ltd. | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN105654510A (zh) * | 2015-12-29 | 2016-06-08 | 江苏精湛光电仪器股份有限公司 | 适用于夜间场景下的基于特征融合的自适应目标跟踪方法 |
CN107194413A (zh) * | 2017-04-24 | 2017-09-22 | 东北大学 | 一种基于多特征融合的判别型级联外观模型的目标匹配方法 |
CN107255818A (zh) * | 2017-06-13 | 2017-10-17 | 厦门大学 | 一种两维多特征融合的水下目标快速检测方法 |
CN108346136A (zh) * | 2018-01-16 | 2018-07-31 | 杭州电子科技大学 | 基于直方图与lbp特征融合的工业反应釜液面分离方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633226B (zh) * | 2017-09-19 | 2021-12-24 | 北京师范大学珠海分校 | 一种人体动作跟踪特征处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404086A (zh) * | 2008-04-30 | 2009-04-08 | 浙江大学 | 基于视频的目标跟踪方法及装置 |
CN102005056A (zh) * | 2010-12-03 | 2011-04-06 | 上海交通大学 | 基于鲁棒pca子空间的目标跟踪方法 |
CN102750522A (zh) * | 2012-06-18 | 2012-10-24 | 吉林大学 | 一种目标跟踪的方法 |
-
2013
- 2013-04-10 CN CN201310123512.2A patent/CN103237197B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404086A (zh) * | 2008-04-30 | 2009-04-08 | 浙江大学 | 基于视频的目标跟踪方法及装置 |
CN102005056A (zh) * | 2010-12-03 | 2011-04-06 | 上海交通大学 | 基于鲁棒pca子空间的目标跟踪方法 |
CN102750522A (zh) * | 2012-06-18 | 2012-10-24 | 吉林大学 | 一种目标跟踪的方法 |
Non-Patent Citations (2)
Title |
---|
李远征,卢朝阳,李静: ""一种基于多特征融合的视频目标跟踪方法"", 《西安电子科技大学学报(自然科学版)》, vol. 39, no. 4, 31 August 2012 (2012-08-31) * |
王欢,王江涛,任明武,杨静宇: ""一种鲁棒的多特征融合目标跟踪新算法"", 《中国图象图形学报》, vol. 14, no. 3, 31 March 2009 (2009-03-31) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903238A (zh) * | 2014-03-21 | 2014-07-02 | 西安理工大学 | 图像特征的显著结构和相关结构融合方法 |
WO2016026370A1 (en) * | 2014-08-22 | 2016-02-25 | Zhejiang Shenghui Lighting Co., Ltd. | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
US9898827B2 (en) | 2014-08-22 | 2018-02-20 | Zhejiang Shenghui Lighting Co., Ltd | High-speed automatic multi-object tracking method and system with kernelized correlation filters |
CN105654510A (zh) * | 2015-12-29 | 2016-06-08 | 江苏精湛光电仪器股份有限公司 | 适用于夜间场景下的基于特征融合的自适应目标跟踪方法 |
CN107194413A (zh) * | 2017-04-24 | 2017-09-22 | 东北大学 | 一种基于多特征融合的判别型级联外观模型的目标匹配方法 |
CN107255818A (zh) * | 2017-06-13 | 2017-10-17 | 厦门大学 | 一种两维多特征融合的水下目标快速检测方法 |
CN108346136A (zh) * | 2018-01-16 | 2018-07-31 | 杭州电子科技大学 | 基于直方图与lbp特征融合的工业反应釜液面分离方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103237197B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103237197B (zh) | 用于鲁棒跟踪的自适应多特征融合的方法 | |
Mittal et al. | Motion-based background subtraction using adaptive kernel density estimation | |
CN101246547B (zh) | 一种根据场景变化特征对视频中运动物体检测的方法 | |
CN107369166B (zh) | 一种基于多分辨率神经网络的目标跟踪方法及系统 | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN106952293B (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
Wang et al. | SSRNet: In-field counting wheat ears using multi-stage convolutional neural network | |
CN103914702A (zh) | 用于提高视频中的对象检测性能的系统和方法 | |
CN103400151A (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN102289672A (zh) | 红外步态双信道特征融合识别方法 | |
CN101551909B (zh) | 基于核及目标连续自适应分布特征的跟踪方法 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN101814149A (zh) | 一种基于在线学习的自适应级联分类器训练方法 | |
CN103984955B (zh) | 基于显著性特征和迁移增量学习的多摄像机目标识别方法 | |
CN103530893A (zh) | 相机抖动场景下基于背景差和运动信息的前景检测方法 | |
CN104537689A (zh) | 基于局部对比显著性联合特征的目标跟踪方法 | |
Ganti et al. | Network uncertainty informed semantic feature selection for visual SLAM | |
CN106096506A (zh) | 基于子类类间判别双字典的sar目标识别方法 | |
CN103870839A (zh) | 视频目标在线多特征跟踪方法 | |
CN104036526A (zh) | 一种基于自适应窗的灰度目标跟踪方法 | |
CN105809119A (zh) | 一种基于稀疏低秩结构多任务学习的行为识别方法 | |
CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
CN105701469A (zh) | 一种基于代价敏感稀疏线性回归的鲁棒人群计数方法 | |
Gao et al. | Traffic video-based moving vehicle detection and tracking in the complex environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |